01、遥想当年，AlphaGo的Master版本，在完胜柯洁九段之后不久，就被后辈AlphaGo Zero (简称狗零) 击溃了。

　　从一只完全不懂围棋的AI，到打败Master，狗零只用了21天。

　　而且，它不需要用人类知识来喂养，成为顶尖棋手全靠自学。

　　如果能培育这样一只AI，即便自己不会下棋，也可以很骄傲吧。

　　于是，来自巴黎的少年Dylan Djian (简称小笛) ，就照着狗零的论文去实现了一下。

　　他给自己的AI棋手起名SuperGo，也提供了代码 (传送门见文底) 。

　　除此之外，还有教程——

　　一个身子两个头

　　智能体分成三个部分：

　　一是特征提取器 (Feature Extractor) ，二是策略网络 (Policy Network) ，三是价值网络(Value Network) 。

　　于是，狗零也被亲切地称为“双头怪”。特征提取器是身子，其他两个网络是脑子。

　　特征提取器

　　特征提取模型，是个残差网络 (ResNet) ，就是给普通CNN加上了跳层连接 (Skip Connection) ， 让梯度的传播更加通畅。

　　跳跃的样子，写成代码就是：

　　1class BasicBlock(nn.Module):

　　2 """

　　3 Basic residual block with 2 convolutions and a skip connection

　　4 before the last ReLU activation.

　　5 """

　　6、7 def __init__(self, inplanes, planes, stride=1, downsample=None):

　　8 super(BasicBlock, self).__init__()

　　9、10 self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=3,

　　11 stride=stride, padding=1, bias=False)

　　12 self.bn1 = nn.BatchNorm2d(planes)

　　13、14 self.conv2 = nn.Conv2d(planes, planes, kernel_size=3,

　　15 stride=stride, padding=1, bias=False)

　　16 self.bn2 = nn.BatchNorm2d(planes)

　　17、18

　　19 def forward(self, x):

　　20 residual = x

　　21、22 out = self.conv1(x)

　　23 out = F.relu(self.bn1(out))

　　24、25 out = self.conv2(out)

　　26 out = self.bn2(out)

　　27、28 out = residual

　　29 out = F.relu(out)

　　30、31 return out

　　然后，把它加到特征提取模型里面去：

　　1class Extractor(nn.Module):

　　2 def __init__(self, inplanes, outplanes):

　　3 super(Extractor, self).__init__()

　　4 self.conv1 = nn.Conv2d(inplanes, outplanes, stride=1,

　　5 kernel_size=3, padding=1, bias=False)

　　6 self.bn1 = nn.BatchNorm2d(outplanes)

　　7、8 for block in range(BLOCKS):

　　9 setattr(self, "res{}".format(block),

　　10 BasicBlock(outplanes, outplanes))

　　11、12

　　13 def forward(self, x):

　　14 x = F.relu(self.bn1(self.conv1(x)))

　　15 for block in range(BLOCKS - 1):

　　16 x = getattr(self, "res{}".format(block))(x)

　　17、18 feature_maps = getattr(self, "res{}".format(BLOCKS - 1))(x)

　　19 return feature_maps

　　策略网络

　　策略网络就是普通的CNN了，里面有个批量标准化 (Batch Normalization) ，还有一个全连接层，输出概率分布。

　　1class PolicyNet(nn.Module):

　　2 def __init__(self, inplanes, outplanes):

　　3 super(PolicyNet, self).__init__()

　　4 self.outplanes = outplanes

　　5 self.conv = nn.Conv2d(inplanes, 1, kernel_size=1)

　　6 self.bn = nn.BatchNorm2d(1)

　　7 self.logsoftmax = nn.LogSoftmax(dim=1)

　　8 self.fc = nn.Linear(outplanes - 1, outplanes)

　　9、10

　　11 def forward(self, x):

　　12 x = F.relu(self.bn(self.conv(x)))

　　13 x = x.view(-1, self.outplanes - 1)

　　14 x = self.fc(x)

　　15 probas = self.logsoftmax(x).exp()

　　16、17 return probas

　　价值网络

　　这个网络稍微复杂一点。除了标配之外，还要再多加一个全连接层。最后，用双曲正切 (Hyperbolic Tangent) 算出 (-1,1) 之间的数值，来表示当前状态下的赢面多大。

　　代码长这样——

　　1class ValueNet(nn.Module):

　　2 def __init__(self, inplanes, outplanes):

　　3 super(ValueNet, self).__init__()

　　4 self.outplanes = outplanes

　　5 self.conv = nn.Conv2d(inplanes, 1, kernel_size=1)

　　6 self.bn = nn.BatchNorm2d(1)

　　7 self.fc1 = nn.Linear(outplanes - 1, 256)

　　8 self.fc2 = nn.Linear(256, 1)

　　9、10

　　11 def forward(self, x):

　　12 x = F.relu(self.bn(self.conv(x)))

　　13 x = x.view(-1, self.outplanes - 1)

　　14 x = F.relu(self.fc1(x))

　　15 winning = F.tanh(self.fc2(x))

　　16 return winning

　　未雨绸缪的树

　　狗零，还有一个很重要的组成部分，就是蒙特卡洛树搜索 (MCTS) 。

　　它可以让AI棋手提前找出，胜率最高的落子点。

　　在模拟器里，模拟对方的下一手，以及再下一手，给出应对之策，所以提前的远不止是一步。

　　节点 (Node)

　　树上的每一个节点，都代表一种不同的局势，有不同的统计数据：

　　每个节点被经过的次数n，总动作值w，经过这一点的先验概率p，平均动作值q (q=w/n) ，还有从别处来到这个节点走的那一步，以及从这个节点出发、所有可能的下一步。

　　1class Node:

　　2 def __init__(self, parent=None, proba=None, move=None):

　　3 self.p = proba

　　4 self.n = 0

　　5 self.w = 0

　　6 self.q = 0

　　7 self.children = []

　　8 self.parent = parent

　　9 self.move = move

　　部署 (Rollout)

　　第一步是PUCT (多项式上置信树) 算法，选择能让PUCT函数 (下图) 的某个变体 (Variant) 最大化，的走法。

　　 写成代码的话——

　　1def select(nodes, c_puct=C_PUCT):

　　2 " Optimized version of the selection based of the PUCT formula "

　　3、4 total_count = 0

　　5 for i in range(nodes.shape[0]):

　　6 total_count = nodes[i][1]

　　7、8 action_scores = np.zeros(nodes.shape[0])

　　9 for i in range(nodes.shape[0]):

　　10 action_scores[i] = nodes[i][0] c_puct * nodes[i][2] *

　　11 (np.sqrt(total_count) / (1 nodes[i][1]))

　　12、13 equals = np.where(action_scores == np.max(action_scores))[0]

　　14 if equals.shape[0] > 0:

　　15 return np.random.choice(equals)

　　16 return equals[0]

　　结束 (Ending)

　　选择在不停地进行，直至到达一个叶节点 (Leaf Node) ，而这个节点还没有往下生枝。

　　1def is_leaf(self):

　　2 """ Check whether a node is a leaf or not """

　　3、4 return len(self.children) == 0

　　到了叶节点，那里的一个随机状态就会被评估，得出所有“下一步”的概率。

　　所有被禁的落子点，概率会变成零，然后重新把总概率归为1。

　　然后，这个叶节点就会生出枝节 (都是可以落子的位置，概率不为零的那些) 。代码如下——

　　1def expand(self, probas):

　　2 self.children = [Node(parent=self, move=idx, proba=probas[idx])

　　3 for idx in range(probas.shape[0]) if probas[idx] > 0]

　　更新一下

　　枝节生好之后，这个叶节点和它的妈妈们，身上的统计数据都会更新，用的是下面这两串代码。

　　1def update(self, v):

　　2 """ Update the node statistics after a rollout """

　　3、4 self.w = self.w v

　　5 self.q = self.w / self.n if self.n > 0 else 0

　　1while current_node.parent:

　　2 current_node.update(v)

　　3 current_node = current_node.parent

　　选择落子点

　　模拟器搭好了，每个可能的“下一步”，都有了自己的统计数据。

　　按照这些数据，算法会选择其中一步，真要落子的地方。

　　选择有两种，一就是选择被模拟的次数最多的点。试用于测试和实战。

　　另外一种，随机 (Stochastically) 选择，把节点被经过的次数转换成概率分布，用的是以下代码——

　　1 total = np.sum(action_scores)

　　2 probas = action_scores / total

　　3 move = np.random.choice(action_scores.shape[0], p=probas)

　　后者适用于训练，让AlphaGo探索更多可能的选择。

　　三位一体的修炼

　　狗零的修炼分为三个过程，是异步的。

　　一是自对弈 (Self-Play) ，用来生成数据。

　　1def self_play():

　　2 while True:

　　3 new_player, checkpoint = load_player()

　　4 if new_player:

　　5 player = new_player

　　6、7 ## Create the self-play match queue of processes

　　8 results = create_matches(player, cores=PARALLEL_SELF_PLAY,

　　9 match_number=SELF_PLAY_MATCH)

　　10 for _ in range(SELF_PLAY_MATCH):

　　11 result = results.get()

　　12 db.insert({

　　13 "game": result,

　　14 "id": game_id

　　15 })

　　16 game_id = 1

　　二是训练 (Training) ，拿新鲜生成的数据，来改进当前的神经网络。

　　1def train():

　　2 criterion = AlphaLoss()

　　3 dataset = SelfPlayDataset()

　　4 player, checkpoint = load_player(current_time, loaded_version)

　　5 optimizer = create_optimizer(player, lr,

　　6 param=checkpoint['optimizer'])

　　7 best_player = deepcopy(player)

　　8 dataloader = DataLoader(dataset, collate_fn=collate_fn,

　　9 batch_size=BATCH_SIZE, shuffle=True)

　　10、11 while True:

　　12 for batch_idx, (state, move, winner) in enumerate(dataloader):

　　13、14 ## Evaluate a copy of the current network

　　15 if total_ite % TRAIN_STEPS == 0:

　　16 pending_player = deepcopy(player)

　　17 result = evaluate(pending_player, best_player)

　　18、19 if result:

　　20 best_player = pending_player

　　21、22 example = {

　　23 'state': state,

　　24 'winner': winner,

　　25 'move' : move

　　26 }

　　27 optimizer.zero_grad()

　　28 winner, probas = pending_player.predict(example['state'])

　　29、30 loss = criterion(winner, example['winner'],

　　31 probas, example['move'])

　　32 loss.backward()

　　33 optimizer.step()

　　34、35 ## Fetch new games

　　36 if total_ite % REFRESH_TICK == 0:

　　37 last_id = fetch_new_games(collection, dataset, last_id)

　　训练用的损失函数表示如下：

　　1class AlphaLoss(torch.nn.Module):

　　2 def __init__(self):

　　3 super(AlphaLoss, self).__init__()

　　4、5 def forward(self, pred_winner, winner, pred_probas, probas):

　　6 value_error = (winner - pred_winner) ** 2

　　7 policy_error = torch.sum((-probas *

　　8 (1e-6 pred_probas).log()), 1)

　　9 total_error = (value_error.view(-1) policy_error).mean()

　　10 return total_error

　　三是评估 (Evaluation) ，看训练过的智能体，比起正在生成数据的智能体，是不是更优秀了 (最优秀者回到第一步，继续生成数据) 。

　　1def evaluate(player, new_player):

　　2 results = play(player, opponent=new_player)

　　3 black_wins = 0

　　4 white_wins = 0

　　5、6 for result in results:

　　7 if result[0] == 1:

　　8 white_wins = 1

　　9 elif result[0] == 0:

　　10 black_wins = 1

　　11、12 ## Check if the trained player (black) is better than

　　13 ## the current best player depending on the threshold

　　14 if black_wins >= EVAL_THRESH * len(results):

　　15 return True

　　16 return False

　　第三部分很重要，要不断选出最优的网络，来不断生成高质量的数据，才能提升AI的棋艺。

　　三个环节周而复始，才能养成强大的棋手。

　　有志于AI围棋的各位，也可以试一试这个PyTorch实现。

　　本来摘自量子位，原作 Dylan Djian。

　　代码实现传送门：

　　网页链接

　　教程原文传送门：

　　网页链接

　　AlphaGo Zero论文传送门：

　　网页链接